BAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu

This watermark does not appear in the registered version - http://www.clicktoconvert.com

BAB 2 LANDASAN TEORI

2.1

Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu

speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan komputer untuk mengenali kata yang diucapkan oleh seseorang tanpa mempedulikan identitas orang terkait. Speaker recognition yang merupakan pengenalan identitas yang diklaim oleh seseorang dari suaranya (ciri khusus dapat berupa intonasi suara, tingkat kedalaman suara, dan sebagainya). Implementasi speech recognition misalnya perintah suara untuk menjalankan aplikasi komputer.

2. 2

Jaringan Saraf Tiruan Jaringan Syaraf Tiruan dibuat pertama kali pada tahun 1943 oleh

neurophysiologist Waren McCulloch dan logician Walter Pits, namun teknologi yang tersedia pada saat itu belum memungkinkan mereka berbuat lebih jauh.

2.2.1

Pengertian Jaringan Syaraf Tiruan Jaringan saraf tiruan (JST) adalah sebuah sistem pemrosesan informasi

yang memiliki karakteristik yang hampir sama dengan jaringan saraf biologis. Jaringan saraf tiruan telah banyak digunakan dalam berbagai aplikasi, misalnya: pemrosesan sinyal, sistem kontrol, pengenalan pola, pengobatan, pengenalan suara, produksi suara, dan bisnis. 6


7

Jaringan Syaraf Tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran. Jaringan Syaraf Tiruan berkembang secara pesat pada beberapa tahun terakhir. Jaringan Syaraf Tiruan telah dikembangkan sebelum adanya suatu komputer konvensional yang canggih dan terus berkembang walaupun pernah mengalami masa vakum selama beberapa tahun. Jaringan Syaraf Tiruan terdiri dari sejumlah elemen pemroses yang dinamakan neuron. Masing- masing neuron ini dihubungkan ke neuron lainnya dengan suatu bilangan yang dinamakan weight atau bobot keterhubungan, yang berisi informasi yang digunakan jaringan untuk menyelesaikan masalah. Jaringan saraf tiruan pada umumnya memiliki karakteristik: arsitektur, algoritma pembelajaran, dan fungsi aktivasi. Arsitektur adalah pola koneksi antar neuron. Algoritma pembelajaran adalah metode yang digunakan untuk menentukan bobot keterhubungan. Fungsi aktivasi adalah fungsi yang digunakan neuron untuk memetakan sinyal masukan yang diterima menjadi sinyal keluaran yang akan dikirimkan ke neuron lainnya. Secara mendasar, sistem pembelajaran merupakan proses penambahan pengetahuan pada Jaringan Syaraf Tiruan yang sifatnya kontinuitas sehingga pada saat digunakan pengetahuan tersebut akan dieksploitasikan secara maksimal dalam mengenali suatu objek. Neuron adalah bagian dasar dari pemrosesan suatu jaringan syaraf tiruan. Dibawah ini merupakan bentuk dasar dari suatu neuron.


8

Gambar 2.1 Bentuk dasar neuron.

Keterangan Gambar 2.1 di atas adalah sebagai berikut : 1. Input merupakan masukan yang digunakan baik saat pembelajaran maupun dalam mengenali suatu objek; 2. Weight, beban yang selalu berubah setiap kali diberikan input sebagai proses pembelajaran; 3. Processing Unit merupakan tempat berlangsungnya proses pengenalan suatu objek berdasarkan pembebanan yang diberikan; 4. Output, keluaran dari hasil pengenalan suatu objek.

Keuntungan penggunaan jaringan syaraf tiruan. 1. Perangkat yang mampu untuk mengenali suatu objek secara non-linier; 2. Mempermudah pemetaan input menjadi suatu hasil tanpa mengetahui proses sebenarnya; 3. Mampu melakukan pengadaptasian terhadap pengenalan suatu objek;


9

4. Perangkat yang memiliki toleransi terhadap suatu kesalahan dalam pengenalan suatu objek; 5. Jaringan staraf tiruan mampu diimplementasikan pada suatu Hardware atau perangkat keras.

2.2.2

Inspirasi Biologi Jaringan Syaraf Tiruan keluar dari penelitian kecerdasan buatan, terutama

percobaan untuk menirukan fault-tolerence dan kemampuan untuk belajar dari system syaraf biologi dengan model struktur low-level dari otak. Otak terdiri dari sekitar (10.000.000.000) sel syaraf yang saling berhubungan. Sel syaraf mempunyai cabang struktur input (dendrites), sebuah inti sel dan percabangan struktur output (axon). Axon dari sebuah sel terhubung dengan dendrites yang lain melalui sebuah synapse. Ketika sebuah sel syaraf aktif, kemudian menimbulkan suatu signal electrochemical pada axon. Signal ini melewati synapses menuju ke sel syaraf yang lain. Sebuah sel syaraf lain akan mendapatkan signal jika memenuhi batasan tertentu yang sering disebut dengan nilai ambang atau (threshold).


10

Gambar 4. Susunan Syaraf Manusia.

2.3

Neuron Model

2.3.1

Single-Input Neuron Sebuah neuron dengan sebuah masukan (single-input) dapat dilihat pada

Gambar 2.2 dibawah. Dalam gambar dapat dilihat sebuah Input (p) dikalikan dengan weight (w) kemudian ditambahkan dengan bobot bias ( b ) d a n menghasilkan suatu keluaran (n), suatu nilai keluaran ini biasanya disebut dengan net input, selanjutnya masuk ke dalam suatu fungsi transfer (f) dan akan menghasilkan output neuron (a).


11

Gambar 2.2 Single-Input Neuron

Keluaran dari neuron dapat dihitung dengan rumus : a = f (wp + b)

(2.1)

Sebagai contoh, jika bobot (w)= 3, input ( p) = 2 dan bobot bias (b) = -1.5 maka : a= f (3(2)) – 1.5 = f (4.5)

(2.2)

Keluaran aktual dari suatu jaringan syaraf tiruan tergantung kepada suatu fungsi transfer yang digunakan. Biasanya, untuk suatu fungsi transfer dipilih sesuai kebutuhan. Sebagaimana akan diuraikan dalam bagian berikut, di bawah dapat dilihat beberapa fungsi transfer untuk tujuan yang berbeda, seperti berikut.


12

2.3.2

Fungsi Transfer. Fungsi transfer untuk Gambar 2.2 diatas mungkin saja suatu fungsi linear

atau bisa juga suatu fungsi non- linear. Sebuah fungsi transfer tertentu dapat dipilih untuk memecahkan beberapa masalah yang spesifik, sehingga dapat disimpulkan bahwa suatu neuron sedang memecahkan suatu masalah tersebut. Fungsi transfer hard limit, yang dapat dilihat di bagian kiri pada Gambar 2.3 di bawah, menunjukkan set keluaran dari neuron pada harga nol (0) jika argument dari fungsi kurang dari 0, atau 1 jika argument lebih dari atau sama dengan nol (0). Maka fungsi Hard Limit ini akan menciptakan sebuah neuron yang mengklasifikasikan input kedalam dua kategori yang berbeda.

Gambar 2.3 Fungsi Transfer Hard Limit.

Gambar pada sisi kanan dari Gambar 2.3, menggambarkan karakteristik input/output dari single-input neuron yang menggunakan fungsi transfer hardlim. Disini kita melihat efek dari weight dan bias. Pada Gambar 2.3 di atas dapat dilihat bentuk dari fungsi transfer hardlim yang diperlihatkan diantara kedua gambar. Secara umum, biasanya bentuk itu yang digunakan untuk menggantikan


13

diagram jaringan yang menunjukkan suatu fungsi transfer tertentu yang sedang digunakan. Selanjutnya fungsi transfer linear, untuk fungsi transfer ini nilai keluaran sama dengan nilai masukannya: a=n

(2.3)

Ilustrasi untuk fungsi transfer linear ini dapat dilihat pada Gambar 2.4 dibawah.

Gambar 2.4 Fungsi Transfer Linear.

Pada Gambar 2.4 bagian kiri dapat diperlihatkan bahwa keluaran (a) sama dengan masukan (p), pada bagian kanan diperlihatkan suatu karakteristik dari suatu single-input linear neuron dengan bias.


14

Fungsi transfer log-sigmoid dapat dilihat pada Gambar 2.5 dibawah ini

: Gambar 2.5 Fungsi Transfer Log-Sigmoid.

Fungsi transfer ini menangani masukan (yang mungkin mempunyai nilai minus maupun plus yang tidak terbatas) dan menghimpit keluaran pada range 0 sampai 1, sesuai dengan pernyataan :

(2.4) Fungsi transfer log-sigmoid pada umumnya digunakan pada multilayer network dengan menggunakan pelatihan backpropagation algoritm. Fungsi transfer lain dapat dilihat pada Tabel II.1 dibawah.


15

Tabel II.1 Fungsi Transfer.

2.3.3

Multi Input Neuron Secara khas, suatu neuron mempunyai input lebih dari satu. Suatu neuron

dengan R input diperlihatkan dalam Gambar 2.6. masukan tunggal p1,p2,…,pR masing- masing di beri beban oleh unsur-unsur yang bersesuaian dengan w1,1w1,2,…..w1,R dari matriks bobot W.


16

Gambar 2.6 Multiple-Input Neuron.

Neuron mempunyai suatu bias, dimana bias tersebut dijumlahkan dengan bobot masukan untuk membentuk suatu jaringan : n = w1,1 p1 +w1,2p2 +…+w1,R pR+b

(2.5)

Pernyataan ini mungkin di tulis dalam bentuk matriks : n = Wp + b

(2.6)

Dimana acuan matriks W untuk kasus single-neuron mempunyai satu baris. Sekarang keluaran neuron dapat ditulis menjadi : a = f (Wp + b)

(2.7)

Jaringan syaraf tiruan bisa digambarkan dengan acuan matriks. Kita telah mengadopsi satu konversi tertentu dalam memberikan indeks dari unsur- unsur bobot matriks. Pertama menunjukkan tujuan tertentu untuk bobot tersebut. Kedua menunjukkan sumber sinyal dan dimasukkan ke dalam neuron. Dengan begitu, indeks dalam w1,2 menyatakan bahwa bobot ini merepresentasikan koneksi di


17

neuron pertama dari sumber kedua. Tentu saja, konvensi ini lebih bermanfaat jika ada lebih dari satu neuron. Jika kita bermaksud untuk menggunakan suatu jaringan dengan beberapa neuron, dengan masing- masing neuron mempunyai beberapa input. selanjutnya, kita bermaksud meggunakan neuron tersebut dengan lapisan layer lebih dari satu. Maka sebuah neuron dengan banyak masukan menggunakan notasi ini dapat dilihat pada Gambar 2.7 di bawah ini.

Gambar 2.7 Neuron dengan R Input.

Yang diperlihatkan dalam Gambar 2.7, masukan vektor p dipresentasikan oleh garis tebal pada sisi kiri. Dimensi dari p diperlihatkan sebagai variabel dari Rx1, indikasi dari input merupakan single-vector dari elemen R. input tersebut menunjuk pada bobot matriks W pada kolom R, tetapi pada kotak single neuron ini hanya memiliki satu garis. Satu masukan neuron yang konstan dan dikalikan dengan bias b. dan menghasilkan suatu keluaran (net input), yang selanjutnya menuju fungsi transfer f. yang masuk fungsi ini adalah penambahan dari bias dan


18

hasil dari wp. Keluaran neuron a pada fungsi terbebut bernilai skalar. Dan jika memiliki banyak keluaran jaringan, maka akan menghasilkan suatu vektor. Dimensi dalam suatu variabel pada blok diagram di atas akan selalu diikutsertakan, jadi bisa dikatakan bahwa yang sedang dibicarakan adalah tentang vektor, skalar atau matriks. Jumlah input yang masuk pada suatu jaringan ditentukan oleh spesifikasi masalah eksternal. Sebagai contoh, jika ingin merancang suatu jaringan syaraf tiruan seperti memprediksi kondisi dan syarat-syarat sebelum melakukan terbang layang (kite-flying), seperti temperatur, kecepatan angin dan kelembaban, kemudian jadilah tiga input yang akan masuk kedalam jaringan tersebut.

2.4

Arsitektur Jaringan Syaraf Tiruan. Bentuk dasar arsitektur suatu Jaringan Syaraf Tiruan adalah sebagai

berikut :

Gambar 2.8 Arsitektur Dasar Jaringan Syaraf Tiruan.

Secara umum, terdapat tiga jenis jaringan syaraf tiruan yang sering digunakan berdasarkan jenis network-nya, yaitu :


19

1. Jaringan Syaraf Tiruan Single-Layer. 2. Jaringan Syaraf Tiruan Multilayer Perceptron. 3. Jaringan Syaraf Tiruan Recurrent.

2.4.1

Jaringan Syaraf Tiruan Single-Layer. Jaringan Syaraf Tiruan jenis ini memiliki koneksi pada inputnya secara

langsung ke jaringan output.

Gambar 2.9 Jaringan Syaraf Tiruan Single-layer.

Jenis jaringan syaraf tiruan ini sangatlah terbatas, hanya digunakan pada kasus-kasus yang sederhana.

2.4.2

Struktur Jaringan Syaraf Tiruan Multilayer Perceptron. Jenis jaringan syaraf tiruan ini memiliki layer yang dinamakan hidden

layer ditengah layer input

dan output. Hidden ini bersifat variable, dapat

digunakan lebih dari satu hidden layer. Jumlah hidden layer bervariasi tergantung dari tingkat kesulitan permasalahan yang ditangani oleh sistem, sehingga dalam


20

pengaplikasiannya multilayer perceptron lebih powerful dibandingkan dengan model ANN yang lain. Struktur jaringan syaraf tiruan yang digunakan pada penelitian ini dapat dilihat pada Gambar 2.10 dibawah.

Gambar 2.10 Jaringan Syaraf Tiruan Multilayer Perceptron.

Fungsi aktivasi digunakan untuk menghasilkan sinyal keluaran yang dibatasi pada rentang nilai tertentu, misalnya: antara 0 dengan 1 disebut biner, dan antara -1 dengan 1 disebut bipolar. Ada beberapa jenis fungsi aktivasi yang sering digunakan yaitu: linier, tangga, dan sigmoid. Kehadiran unit-unit tersembunyi dan fungsi aktivasi yang non linier pada jaringan, dapat memberikan kemampuan kepada jaringan untuk menyelesaikan lebih banyak masalah daripada jaringan yang hanya memiliki unit- unit masukan dan unit-unit keluaran. Cara pembelajaran jaringan saraf tiruan dapat dibagi menjadi dua kategori yaitu supervised (terarah) dan unsupervised (tidak terarah).


21

2.5

Proses Pembelajaran pada Jaringan Syaraf Tiruan. Proses pembelajaran merupakan suatu metoda untuk proses pengenalan

suatu objek yang sifatnya kontinuitas yang selalu direspon secara berbeda dari setiap proses pembelajaran tersebut. Tujuan dari pembelajaran ini sebenarnya untuk memperkecil tingkat suatu error dalam pengenalan suatu objek. Secara mendasar, jaringan syaraf tiruan memiliki sistem pembelajaran yang terdiri atas beberapa jenis berikut : 1. Supervised Learning; 2. Unsupervised Learning.

2.5.1

Supervised Learning Sistem pembelajaran pada metoda supervised learning adalah system

pembelajaran yang mana, setiap pengetahuan yang akan diberikan kepada sistem, pada awalnya diberikan suatu acuan untuk memetakan suatu masukan menjadi suatu keluaran yang diinginkan. Proses pembelajaran ini akan terus dilakukan selama kondisi error atau kondisi yang diinginkan belum tercapai. Adapun setiap perolehan error akan dikalkulasikan untuk setiap pemrosesan hingga data atau nilai yang diinginkan telah tercapai.

2.5.2

Unsupervised Learning Sistem pembelajaran pada jaringan syaraf tiruan sepenuhnya memberikan

hasil pada komputasi dari setiap pemrosesan, sehingga pada sistem ini tidak membutuhkan adanya acuan awal, agar perolehan nilai dapat dicapai. Meskipun


22

secara mendasar, proses ini tetap mengkalkulasikan setiap langkah pada setiap kesalahannya dengan mengkalkulasikan setiap nilai weight yang didapat.

2.6

Jaringan Syaraf Tiruan Pada Matlab Matlab merupakan software yang cocok dipakai sebagai alat komputasi

yang melibatkan penggunaan matriks dan vektor. Fungsi- fungsi dalam toolbox dibuat untuk memudahkan perhitungan tersebut. Banyak model jaringan syaraf tiruan menggunakan manipulasi matriks atau vektor dalam iterasinya. Matlab menyediakan fungsi- fungsi khusus untuk menyelesaikan model jaringan syaraf tiruan. Pemakai tinggal memasukan vektor masukan, target, model dan parameter yang diinginkan. Pada matlab telah disediakan toolbox untuk memudahkan pengguna dalam melakukan suatu pemodelan sistem seperti JST ( neural network ). Pengguna tinggal memasukan syntax-syntax yang diperlukan untuk membangun suatu sistem pemodelan. Sebelum dilakukan pembuatan sistem, ada hal penting yang harus dilakukan yaitu pemodelan sistem. Pemodelan dilakukan untuk memudahkan dalam melakukan pengujian-pengujian pada sistem yang dibuat. Dalam melakukan pengujian tersebut, ada beberapa hal yang mempengaruhi performansi dari sistem tersebut. Salah satunya adalah dalam melakukan pengaturan parameter-parameter pada sistem. Dalam kasus pemodelan menggunakan jaringan syaraf tiruan ada beberapa parameter yang dapat mempengaruhi kinerja dari sistem, diantaranya : arsitektur


23

jaringan, banyaknya neuron yang digunakan, pemilihan input, banyaknya epoch, fungsi aktifasi, dan nilai bobot pada jaringan syaraf tiruan.

2.7

PSD ( power spectral density ) PSD (Power spectral density) adalah proses dengan memasukkan data

suara yang berbentuk *.wav dan memproses data melalui perintah Analysis dan akan tampak suatu grafik yang memperlihatkan hubungan power dengan frekuensi. Program PSD berfungsi untuk menyamakan jumlah baris dan kolom data matrik m- file dari hasil proses perekaman suara.

BAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu

Recommend Documents